![pageSearch](/themes/hestia/images/page-search.webp)
Weltraumsalate und salziges Wasser
Apr 02, 2023Entwicklung einer optimierten kolorimetrischen RT
Apr 04, 2023Die Phänotypisierung der Blütenmerkmale und die Profilierung ätherischer Öle ergaben erhebliche Unterschiede in der klonalen Selektion der Damaszenerrose (Rosa damascena Mill.).
Apr 06, 2023Modellierung von n
Apr 08, 2023Gemeinschaftskontext und pCO2 beeinflussen das Transkriptom des „Helfer“-Bakteriums Alteromonas in co
Apr 10, 2023Modellierung von n
![Apr 08, 2023](/themes/hestia/images/news-details-icon1.webp)
Wissenschaftliche Berichte Band 12, Artikelnummer: 19662 (2022) Diesen Artikel zitieren
666 Zugriffe
Details zu den Metriken
Dieselöl ist bekanntermaßen eines der wichtigsten Erdölprodukte, das Wasser und Boden verschmutzen kann. Die durch Erdölkohlenwasserstoffe verursachte Bodenverschmutzung hat erhebliche Auswirkungen auf die Umwelt, insbesondere im Nahen Osten. In dieser Studie wurde die Modellierung und Optimierung der Hexadecan-Entfernung aus dem Boden unter Verwendung zweier Reinkulturen von Acinetobacter und Acromobacter sowie einer Konsortialkultur beider Bakterienarten unter Verwendung der Methode des künstlichen neuronalen Netzwerks (ANN) durchgeführt. Anschließend wurde die beste ANN-Struktur basierend auf dem mittleren quadratischen Fehler (MSE) sowie dem Korrelationskoeffizienten (R) für Reinkulturen von Acinetobacter und Acromobacter sowie deren Konsortium vorgeschlagen. Die Ergebnisse zeigten, dass die Korrelationen zwischen den tatsächlichen Daten und den von ANN (R2) vorhergesagten Daten bei Acromobacter, Acinetobacter und dem Konsortium beider Kulturen 0,50, 0,47 bzw. 0,63 betrugen. Trotz der geringen Korrelation zwischen den experimentellen Daten und den vom ANN vorhergesagten Daten waren der Korrelationskoeffizient und die Präzision des ANN für das Konsortium höher. Infolgedessen verfügte ANN über die gewünschte Präzision, um die Entfernung von Hexadecan durch die Cobsertium-Kultur von Ochromobater und Acintobacter vorherzusagen.
Die durch Erdölkohlenwasserstoffe verursachte Bodenverschmutzung gilt als große Bedrohung für die Umwelt, insbesondere in Ländern des Nahen Ostens. Ausfälle von Übertragungsleitungen, Leckagen aus Lagertanks und Unfälle mit Öltankern sind einige Beispiele für Bodenverschmutzung durch Erdölkohlenwasserstoffe in Ländern des Nahen Ostens1. Dieselöl ist ein wichtiges Rohölprodukt, das dazu neigt, Boden und Wasser zu verschmutzen. Es entsteht bei der Ölraffinierung und besteht aus aromatischen Verbindungen, natürlichen und verzweigten Alkanen2. Unter den mittelkettigen Alkanen wurde Hexadecan (C16H34) von vielen Forschern als Modellverunreinigung untersucht3,4,5. Daher sind Behandlungsansätze erforderlich, um die gefährlichen Auswirkungen der Hexadecan-Verschmutzung zu verringern. Hexadecan wird durch verschiedene Methoden aus Boden und Wasser entfernt, beispielsweise durch physikalische, thermische, chemische und biologische Methoden. Trotz ihrer geringen Wasserlöslichkeit werden sie von Mikroorganismen schnell abgebaut6. Biologische Methoden gehören zu den gebräuchlichsten Methoden zur Zersetzung und Entfernung dieser Stoffe7,8. Neben seiner Einfachheit, Kosteneffizienz und Machbarkeit ist es in letzter Zeit auch umweltfreundlich. Forscher haben versucht, dieses Verfahren zu optimieren und zu nutzen 3,9,10,11. Herkömmliche physikalisch-chemische Behandlungen sind jedoch mit hohen Kosten verbunden und können Rückstände erzeugen, die für die Biota toxisch sind12. Die Anwendung hocheffizienter und kostengünstiger Bioremediationsverfahren stellt neben vielen anderen Sanierungstechniken eine äußerst wichtige Methode zur Sanierung kontaminierter Gebiete dar. Die Behandlung von Böden in Schlammbioreaktoren hat sich zu einer der führenden Alternativen für die biologische Sanierung von Böden entwickelt, die durch hartnäckige Gifte unter kontrollierten natürlichen Bedingungen kontaminiert sind13. SBs sind sehr oft praktisch, um die Möglichkeit und das tatsächliche Potenzial einer biologischen Strategie bei der endgültigen Sanierung eines kontaminierten Bodens oder Standorts zu bestimmen. Tatsächlich hängen die Schadstoffausstoßraten unter Güllebedingungen in erster Linie von der Verderbniswirkung der im System verfügbaren Mikroorganismen ab14 und die erzielten Ergebnisse spiegeln größtenteils die tatsächliche natürliche Reinigungskapazität des Bodens wider13. Die Modellierung ist ein wichtiges Werkzeug für die Gestaltung und den Betrieb eines Abwasserbehandlungsprozesses. Zur Modellierung von Abwasseraufbereitungsprozessen werden verschiedene Modelle wie Principal Component Analysis (PCA)15,16, Multiple Linear Regression (MLR)17, Random Forest (RF)18,19 und Artificial Neural Networks (ANN)20,21 implementiert. Unter diesen Methoden ist ANN insbesondere eine leistungsstarke Methode zur Modellierung nichtlinearer Systeme22.
Zahlreiche Forscher haben die sekundären Auswirkungen von Schadstoffen aus einfach abschätzbaren Bodeneigenschaften untersucht. Bei der Entwicklung von Vorhersagesimulationen für Bodenschadstoffe wurden in jüngster Zeit Modelle mit künstlichen neuronalen Netzwerken (ANN) durch multiple lineare Regression (MLR) ersetzt23. Die wesentliche Verbesserung des KNN besteht darin, dass die Modelle darauf trainiert sind, die nichtlineare und komplexe Beziehung zwischen den Eingabe- und Ausgabekonfigurationen zu verstehen, und dass sie weder den Eingabe- noch den Ausgaberaum einschränken24.
Ein großer Vorteil von ANNs ist ihre Fähigkeit, Trends in Daten zu erkennen, die eine erhebliche unvorhersehbare Nichtlinearität aufweisen. Als datengesteuerter Ansatz kann das ANN räumliche Merkmale der Konfiguration in verschiedenen Maßstäben erfassen und lineare und nichtlineare Effekte beschreiben. Aufgrund seiner Einfachheit in der Simulation, Prognose und Modellierung gilt es als vielversprechendes Werkzeug25.
ANNs wurden im letzten Jahrzehnt aufgrund ihrer zuverlässigen, robusten und herausragenden Eigenschaften nichtlinearer Beziehungen zwischen Eingabe- und Ausgabedaten häufig zur Vorhersage der Entfernung von Schadstoffen aus der Umwelt eingesetzt. Heutzutage untersuchen viele Forscher diese Modelle und bestimmen ihre Fähigkeit, den Bioremediationsprozess vorherzusagen. Bioremediation ist ein biologischer Prozess, der die Umwelt durch Prozesse wie Adsorption, Redoxtransformation und Niederschlagsreaktionen saniert26. Aufgrund der Komplexität des biologischen Abbauprozesses ist es schwierig, diese Prozesse mit herkömmlichen mathematischen Modellen zu modellieren und zu simulieren. Künstliche neuronale Netze (ANNs) sind eine vielversprechende und leistungsstarke Modellierungstechnik, da die mathematischen Details der mit dem Prozess verbundenen Phänomene nicht erforderlich sind.
In dieser Studie wurden 7 unabhängige Parameter (einschließlich der Anfangskonzentration von Hexadecan, der Mikronährstoffkonzentration, des C:N:P-Verhältnisses, des Salzes, des Saatguts, der Aufschlämmung und der Einwirkungszeit der Bakterien gegenüber der Verunreinigung) bei der Entfernung von Hexadecan untersucht Effekte und Beziehung zwischen Parametern können nicht mit linearen Beziehungen bestimmt werden. In der vorliegenden Studie wurden ANN-Modelle entwickelt, um die Effizienz der Hexadecan-Entfernung aus dem Boden vorherzusagen. Sie wurden unter Verwendung von zwei Reinkulturen von Acinetobacter und Acromobacter und einer Konsortialkultur beider Bakterienarten durchgeführt. Abschließend wurden kinetische und lineare Gleichungen verwendet, um die Faktoren für die Entfernungseffizienz zu überprüfen.
In dieser Studie wurden experimentelle Daten für die Entfernung von Hexadecan aus dem Boden durch Schlammbioreaktoren unter Verwendung einer Kombination aus Bioaugmentation und Biostimulation verwendet. Das Experiment wurde nach Taguchis Methode zur Optimierung der Entfernungsrate von Hexadecan im Boden konzipiert. Das Verhältnis hängt von den Qualitätsmerkmalen des zu optimierenden Produkts/Prozesses ab. Die Methode von Taguchi verwendet die logarithmischen Funktionen, um die Signal-Rausch-Verhältnisse (S/N) zu messen. Diese Technik ist ein leistungsstarkes und qualitativ hochwertiges Werkzeug für den Entwurf von Systemen auf der Grundlage von Experimenten mit orthogonalen Arrays, die die optimale Einstellung von Prozesssteuerungsparametern ermöglichen. Darüber hinaus wurden Optimierungsschritte und -ausgaben so gestaltet, dass sie als Zielfunktionen für die Optimierung dienen27. Darüber hinaus werden die mit dieser Methode entworfenen Prozesse und Produkte nicht durch äußere Bedingungen beeinflusst28. Daher nahm das Rauschen mit zunehmender Präzision ab.
Erstens wurde die Entfernungseffizienz der biologischen Methode im Aufschlämmungsreaktor an 54 Proben von Acinetobacter, Acromobacter und der Konsortialmasse durchgeführt. Dann wird mit Kontrollproben verglichen, ob Bakterien in der Aufschlämmung vorhanden sind. Darüber hinaus wurden die chemischen Eigenschaften des Roh- und Abwassers des Reaktors geschätzt, einschließlich pH-Wert, C:N:P sowie der Nährstoff-, Salz- und Keimkonzentration. Der Reaktor war auf eine Größe von 1 Liter ausgelegt, so dass saubere Erde durch ein 2-mm-Sieb geleitet, mit Hexan gewaschen und getrocknet wurde. Dann wurde es mit Hexadecan in einer Konzentration von 3000 mg/kg trockener Erde versetzt. Anschließend gut durchmischen und bei 50 °C lagern. Danach wurde der Boden durch Bakterienmasse ausgesät und schließlich zur biologischen Sanierung in den Reaktor gegeben29. Das Schema dieses Reaktors ist in Abb. 1 dargestellt.
Der Schaltplan dieses Reaktors.
Der pH-Wert aller Bioreaktoren wurde zwischen 7,4 und 7,8 eingestellt. Es ist zu beachten, dass alle Experimente dieser Studie dreifach durchgeführt wurden. Das restliche Hexadecan wurde nach 20, 50 und 80 Tagen mittels GC-FID (Varian CP-3800, Palo Alto, CA, USA) analysiert.
In dieser Studie wurde die Rate der Hexadecan-Entfernung aus dem Boden anhand von zwei Reinkulturen von Acinetobacter, Acromobacter und einer Konsortialkultur beider Bakterienarten untersucht. Alle in Mineralsalzmedium (MSM) massenkultivierten Bakterien und Spurenelemente enthielten NH4Cl (4 g/L), KH2PO4 (2,5 g/L), NaCl (0,5 g/L), MgSO4 (0,3 g/L) und FeCl3. 6H2O (0,3 g/L), CaCl2 (0,01 g/L) und MnCl2.4H2O (0,01 g/L). Zu den durch Mikronährstoffe unterstützten MSM gehörten MnCl2.4H2O (40 mg/L), MoO3 (80 mg/L), CuSO4 (6 mg/L), ZnSO4 (60 mg/L) und H3BO3 (0,03 mg/L). Darüber hinaus wurden auch die effektiven Variablen des Experiments untersucht. Zu diesen Variablen gehören die Anfangskonzentration von Hexadecan, die Mikronährstoffkonzentration, das C:N:P-Verhältnis, das Salz (NaCl = 0–1 %), das Saatgut (aktive Bakterien = 3–10 % V-Nährstoffbrühe mit aktiven Bakterien zum Volumen des Bioreaktors), Gülle (Boden/Wasser-Verhältnis) und die Einwirkungszeit der Bakterien gegenüber dem Schadstoff.
Die Gesamtzahl der Experimente für jede Kultur betrug 30 Durchläufe. Der Bereich jedes Parameters ist in Tabelle 1 angegeben.
ANN ist eine leistungsstarke Modellierungsmethode zur Bestimmung der nichtlinearen Beziehung zwischen Variablen30. Diese Studie wurde mittels Feed-Forward-Backpropagation und Levenberg-Marquardt unter Verwendung von MATLAB 201831,32 durchgeführt. Im neuronalen Netzwerk gibt es mehrere Eingabe-, verborgene und Ausgabeschichten. Die Anzahl der Neuronen in jeder verborgenen Schicht ist in der Antwortdatenbank von großer Bedeutung. Hexadecan wurde mithilfe von zwei mehrschichtigen Perzeptronen (MLPs) vorhergesagt. Sigmoid- und lineare Übertragungsfunktionen wurden jeweils für verborgene und Ausgabeschichten verwendet. Zu den Modelleingaben gehörten die Reaktionszeit, die anfängliche Hexadecankonzentration, die Salzkonzentration, die Konzentration der verwendeten Mikronährstoffe, die Aussaatrate im Reaktor, der Prozentsatz der Aufschlämmung und das Verhältnis von Kohlenstoff zu Stickstoff zu Phosphor. Darüber hinaus bestimmte das zugewiesene Gewicht das Verhältnis zwischen den Schichten.
Zunächst wurde das Netzwerk mit Labordaten zur Zelllebensfähigkeit trainiert, von denen 70 %, 15 % bzw. 15 % der Daten für Training, Validierung und Tests verwendet wurden. Anschließend wurden Gewichtung und Bias basierend auf Netzwerktraining bestimmt, um den Grad der Fehlervalidierung zu überwachen. Unter der Bedingung, dass der Validierungsfehler aufgrund spezifischer Wiederholungen zunahm, wurde das Netzwerktraining gestoppt, um eine Überanpassung zu verhindern. Dadurch wird eine Überanpassung verhindert, wenn der Validierungsfehler mit einer bestimmten Epoche zunimmt.
Aufgrund der Bedeutung und Genauigkeit des mittleren quadratischen Fehlers (MSE) und des Korrelationskoeffizienten (R) wurde die beste ANN-Struktur basierend auf MSE und R ausgewählt, die durch die Anzahl der Neuronen in der verborgenen Schicht ermittelt wurden. Daher wurde der Prozentsatz der Hexadecan-Entfernung anhand von Reinkulturen sowohl von Acinetobacter als auch von Acromobacter sowie deren Konsortium vorhergesagt.
Die Anzahl der Neuronen in der verborgenen Schicht wird basierend auf dem Überlappungsbereich beider Gleichungen bestimmt. 1 und 233.
i = Anzahl der Eingänge, o = Anzahl der Ausgänge und n = Anzahl der Neuronen der verborgenen Schicht.
Laut dieser Studie wurden deskriptive Statistiken wie Mittelwert, Standardabweichung, Prozentsatz und Variationskoeffizient verwendet, um die Konzentration und die Effizienz der Hexadecan-Entfernung mithilfe der Biostimulationsmethode anzuzeigen. Darüber hinaus wurden analytische Statistiken, einschließlich T-Test, verwendet, um die Hexadecan-Entfernungsrate durch verschiedene Bakterienarten unter verschiedenen Bedingungen zu vergleichen. Als Signifikanzniveau wurde 0,05 angenommen. Lineare und nichtlineare Modelle mit unterschiedlichen Graden und Gewichtungen wurden verwendet, um die Auswirkung verschiedener Variablen auf die Hexadecanentfernung und die Beziehung zwischen ihnen zu bestimmen. Schließlich wurde unter den untersuchten Modellen, darunter Polynominal, kubischer Interpolant, allgemeines Modell, Gussian, Spline-Interpolant und quadratische Regression, das beste Modell basierend auf dem Korrelationskoeffizienten (R2) und der Summe der Fehlerquadrate (RMSE) ausgewählt. In dieser Studie wurde die Software MATLAB Version 2018 für die Modellierung und die Software Excel Version 2013 für Diagramme verwendet.
Die Effizienz der Hexadecan-Entfernung unter Verwendung eines Aufschlämmungsreaktors durch Bakterienarten, einschließlich Acromobacter, Acinetobacter und deren Konsortium, ist in Tabelle 4 dargestellt. Die mittlere Hexadecan-Entfernung durch Acinetobacter, Acromobacter und das Konsortium beider Arten betrug 26,9 ± 9,9, 27,86 ± 11,98 und 27,94 ± 12,22 mg/L. Gemäß Tabelle 4 betrug die maximale Entfernung durch Acinetobacter 46,7 % nach 80 Tagen Exposition. Unter diesen Bedingungen beträgt die Konzentration der Nährstoffe, des Salzes, der Beimpfung, des C:N:P-Verhältnisses und des Gülleanteils 2,5, 0,5, 10, 4,17 bzw. 5 %. Außerdem betrug die maximale In-vitro-Acromobacter-Entfernung 59,2 %, was bei einer Anfangskonzentration von 30 mg/L, einem Mikronährstoffgehalt von 2,5 %, einem Gülle- und Samengehalt von 20 bzw. 2,5 % und einem Kohlenstoff-Stickstoff-Verhältnis von 4,17 ohne Salz entspricht erhalten. Der maximale Entfernungsprozentsatz durch das Bakterienkonsortium mit einer Konzentration von 50 mg/l ergab folgende Prozentsätze: 2,5 % Mikronährstoffe, 1 % Salz, 2,5 % Saatgut und 5 % Gülle. Darüber hinaus wurde in einem Zeitraum von 50 Tagen ein Kohlenstoff-Stickstoff-Verhältnis von 4,17 erreicht. Denn die Mineralisierung der Erdölverbindungen erfolgte durch Konsortialkulturen in höheren Konzentrationen. Damit werden Metaboliten einer Art als Substrat für andere Arten verwendet34. In diesem Zustand war die hemmende Wirkung von Metaboliten und hohen Konzentrationen des Ausgangssubstrats verringert.
Ein weiteres in dieser Forschungsarbeit untersuchtes Konzept war die Fähigkeit der neuronalen Netzwerke, die Entfernung von Hexadecan mithilfe von Acinetobacter, Acromobacter und Konsortiumsbakterien beider Bakterienarten vorherzusagen. Sie wurden separat mit den verschiedenen Algorithmen untersucht, die mit Levenberg-Marque die besten Ergebnisse erzielten (Tabelle 2).
Basierend auf Tabelle 2 sind die besten Ergebnisse im Zusammenhang mit Levenberg-Marquardt aufgeführt, die im Artikel ausgedrückt wurden.
Anschließend wurden die Ergebnisse dieses Algorithmus mit einer Reihe verschiedener Neuronen in der verborgenen Schicht geschätzt. Basierend auf dem überlappenden Bereich der Gleichungen. (1) und (2) und entsprechend der Anzahl der Eingabe- und Ausgabevariablen wurden 6–16 Neuronen in der verborgenen Schicht platziert. Basierend auf der MSE-Rate und dem Korrelationskoeffizienten wurde das beste Modell ausgewählt. Das Diagramm des besten Modells für alle Bakterienkulturen und seine Ergebnisse sind in Abb. 2 und Tabelle 3 dargestellt.
Das Diagramm der optimalen Struktur von KNN. (a) Acintobacter, (b) Acromobacter und (c) Konsortium.
Gemäß Tabelle 3 war die beste ANN-Topologie zur Vorhersage der Entfernung von Hexadecanen für Acromobacter, Acinetobacter und ihr Konsortium 7:9:1, 7:7:1 bzw. 7:8:1. Darüber hinaus betrug gemäß Abb. 1 der minimale ANN-Fehler zur Vorhersage des Entfernungsprozentsatzes für alle drei Sorten: Acinetobacter, Acromobacter und Konsortium 40,5, 32,9 und 9,4 in den Epochen 1, 5 und 4. Trotzdem stieg die Rate der Validierungsfehler so stark an, dass der Algorithmus für alle drei Kulturen in den Iterationen 7, 11 und 10 gestoppt wurde. Außerdem betrug Rall (der Gesamtregressionskoeffizient der ANN-Struktur) für die Hexadecanentfernung durch Acromobacter, Acinetobacter und ihr Konsortium 0,75, 0,89 bzw. 0,89. Da das R für alle höher als 0,75 war, war die Vorhersage mit diesem Modell gut35. In anderen Studien lag der Rall-Wert für die PAH-Entfernung unter Verwendung von ANN24,36 über 0,9. Diesen Ergebnissen zufolge hat das ANN eine hohe Tendenz, die Entfernung von Hexadecan durch die Verwendung von Acromobacter-Arten vorherzusagen. Tabelle 3 zeigt die mittlere N-Hexadecan-Entfernung durch alle drei Kulturen in den tatsächlichen Daten und die von ANN vorhergesagten Werte.
Gemäß Tabelle 4 betrug die durchschnittliche Hexadecan-Entfernung durch das Konsortium Acinetobacter und Acromobacter 26,9 %, 27,86 % bzw. 27,92 %. Darüber hinaus wurde die beste Entfernungseffizienz für jede Kultur in realen Daten in Tabelle 5 ausgedrückt. Da erwartet wird, dass in Konsortialkulturen mit der Produktion von mehr Tensiden mehr Esterbindungen zwischen Hexadecan und Biotensiden gebildet werden, was zur Verringerung der Toxizität beiträgt zunehmende biologische Sanierung32,37. Die vom Konsortium vorhergesagte durchschnittliche Eliminierung von Acinetobacter und Acromobacter bei ANN betrug 26,94, 28,9 bzw. 27,66 %. Die in ANN vorhergesagte Standardabweichung und der Variationskoeffizient waren niedriger als die tatsächlichen Daten.
Gemäß Tabelle 5 lag der Prozentsatz der Hexadecan-Entfernung durch Acinetobacter zwischen 6 % und 46 %, während ANN einen Entfernungsbereich von 9–39 % vorhersagte. Darüber hinaus traten die niedrigsten und höchsten Prozentsätze der Hexadecan-Entfernung durch Acinetobacter im 5. bzw. 26. Lauf auf, wohingegen sie sich auf die Läufe 4 und 39 von ANN bezogen. Obwohl unter den tatsächlichen Bedingungen die maximale Acinetobacter-Entfernungsrate mit dem ANN übereinstimmte, stimmte der Bereich der ANN-Änderungen im Konsortium eher mit den tatsächlichen Bedingungen überein. In anderen Studien wurde vorhergesagt, dass Mikrobenpopulationen mit 4-9-1- und 3-25-1-Strukturen zur Entfernung von Toluol und Trichlorethylen verwendet wurden. Daher wurden die Ergebnisse dieser Studie durch frühere Studien bestätigt30,31.
Die von ANN vorhergesagten Korrelationswerte und tatsächlichen Daten für alle drei Kulturen sind in Abb. 3 dargestellt.
Die Leistung von ANN. (a) Acintobacter, (b) Acromobacter und (c) Konsortium aus Acintobacter und Acromobacter.
Gemäß Abb. 4 betrug die Korrelation zwischen den tatsächlichen Daten und den von ANN (R2) vorhergesagten Daten für Acromobacter, Acintobacter und Consortium beider Kulturen 0,50, 0,47 bzw. 0,63. Obwohl keine hohe Korrelation zwischen den tatsächlichen Daten und der ANN-Prognose bestand, war die Prognose für das Konsortium höher. Diesen Ergebnissen zufolge war ANN mithilfe des Acromobacter- und Acinetobacter-Konsortiums besser in der Lage, die Entfernung von Hexadecan vorherzusagen. Ähnliche Ergebnisse wurden auch in früheren Studien angezeigt38,39.
Der Korrelationskoeffizient der vorhergesagten ANN im Vergleich zu den tatsächlichen Daten. (a) Acintobacter, (b) Acromobacter und (c) Konsortium aus Acintobacter und Acromobacter.
Da sich die Konzentration der Schadstoffe in der Umgebung kontinuierlich ändert, wirken sich sowohl die Expositionszeit als auch die Anfangskonzentration von Hexadecan synergistisch auf die vom Regressionsmodell vorhergesagte Entfernungseffizienz (tatsächliche Daten) aus (Abb. 5). Um die von ANN vorhergesagten Bedingungen zu vergleichen, sind in Abb. 4 auch die von ANN erhaltenen Konzentrationen dargestellt.
Der Einfluss der Einwirkungszeit und der anfänglichen Hexankonzentration auf die Hexanentfernung perxent. (a) das Vorhandensein von Nährstoffen, (b) das Vorhandensein von mikrobiellem Salz, (c) das Vorhandensein von Saatgut und d) das Vorhandensein von Gülle, mit der Excel-Software Version 2013.
Wie in Abb. 6 dargestellt, trat die maximale Entfernungsrate von N-Hexadecan bei einer niedrigen Konzentration (30 g/kg) mit einer Einwirkzeit von 80 Tagen auf. Gemäß Tabelle 6 folgte unter Berücksichtigung der Faktoren, die das Wachstum von Konsortialbakterien beeinflussen, der Prozentsatz der Hexadecan-Entfernung in Gegenwart unterschiedlicher Nährstoffkonzentrationen der Gleichung erster Ordnung. Dies liegt daran, dass die Verbindung eine lineare Struktur aufweist und ihre Mineralisierungsrate von der Bioverfügbarkeit abhängt29.
Die Auswirkung der Expositionszeit und der anfänglichen Hexankonzentration auf die Hexanentfernung perxent durch ANN-Modellierung. (a) das Vorhandensein von Nährstoffen, (b) das Vorhandensein von mikrobiellem Salz, (c) das Vorhandensein von Saatgut und d) das Vorhandensein von Gülle, mit der Excel-Software Version 2013.
In Gegenwart unterschiedlicher Konzentrationen von Salz, Saatgut und Gülle; es stimmte mit dem Quadrat der Hexadecan-Konzentration und dem Kubik der Einwirkzeit überein. Während die von ANN vorhergesagten Werte zeigen, dass der Entfernungsprozentsatz bei unterschiedlichen Konzentrationen an Nährstoffen und Salz ansteigt, lässt er sich besser durch die Polynomregression erster Ordnung vorhersagen. Bei unterschiedlichen Konzentrationen von Saatgut und Gülle ergab sich jedoch die beste Anpassung mit der quadratischen Regression, wie in Tabelle 6 dargestellt.
Tatsächliche Daten zeigen, dass Änderungen der Mikronährstoffkonzentrationen linear mit sinkenden Hexadecan-Konzentrationen und einer längeren Expositionszeit verbunden sind. Während bei Salz, Saatgut und Gülle nur der Entfernungsprozentsatz bei langer Reaktionszeit und extrem niedrigen Konzentrationen optimiert wird. Im Hinblick auf Kosten-Nutzen-Bewertungen sind diese Bedingungen nicht angemessen.
Somit ist es besser, die gewünschten Bedingungen bei Studien oder mikrobieller Dekontamination durch eine Änderung der Mikronährstoffkonzentration zu geringeren Kosten zu erreichen. Unterdessen sagt das künstliche neuronale Netzwerk ähnliche Nährstoffbedingungen für Salz voraus. Es scheint, dass weitere Studien zum Salzparameter notwendig sind, um die Gültigkeit des neuronalen Netzwerks zu bestimmen.
In der von ANN durchgeführten Modellierung wurde das beste Modell durch die gleichzeitige Wirkung von Gülle und Salz mit dem polynomialen Regressionsmodell erhalten (SSE: 338,7, R-Quadrat: 0,8757, angepasstes R-Quadrat: 0,8665, RMSE: 3,542). Dies lag daran, dass beide Parameter bei der tatsächlichen Hexadecan-Deletion eine geringere Korrelation mit dem polynomialen Regressionsmodell hatten (SSE: 2363, R-Quadrat: 0,4551, angepasstes R-Quadrat: 0,3415, RMSE: 9,923) Abbildung 4.
Andererseits wurde das am besten geeignete Modell im Hinblick auf die tatsächliche Entfernung mit der gleichzeitigen Wirkung von Schlamm und Zeit in Zusammenhang gebracht, indem die Reaktionsoberfläche verwendet wurde (SSE: 1915, R-Quadrat: 0,5584, angepasstes R-Quadrat: 0,4664, RMSE: 8,933). ) (Tabelle 6). Laut Gosai et al. Das neuronale Netzwerk schnitt bei der Vorhersage der PAH-Entfernung besser ab als das lineare Modell40. Dies war darauf zurückzuführen, dass Hexadecan eine lineare Struktur hat und daher durch lineare Modelle besser vorhergesagt werden kann.
In dieser Studie wurde die Entfernung von N-Hexadecan aus dem Boden durch Acromobacter, Acinetobacter und ihr Konsortium im Schlammreaktor durch das neuronale Netzwerk modelliert. Anschließend wurde der Einfluss funktioneller Parameter auf die biologische Entfernung mithilfe linearer Regressionsmodelle untersucht. Die Modellierungsergebnisse zeigten, dass das künstliche neuronale Netzwerk mithilfe der mikrobiellen Population von Acromobacter besser in der Lage war, die biologische Entfernung von N-Hexadecan aus dem Boden vorherzusagen. Dadurch wurde ein höherer Korrelationskoeffizient erhalten, sodass es bis zur fünften Epoche zu keiner Überanpassung kam. Darüber hinaus deutete die größere Anzahl von Neuronen in der Gitterschicht darauf hin, dass es komplexere nichtlineare Beziehungen für die Vorhersage des biologischen Abbaus von Hexadecan bei Verwendung von Acromobater als bei Acintobacter gab. Andererseits war die N-Hexadecan-Entfernung sowohl in realen Daten als auch in der Vorhersage des neuronalen Netzwerks mit der Nährstoffkonzentration ersten Grades verbunden, während sie mit einer Samen- und Gülleregression zweiten Grades verbunden war. Hinsichtlich Zeit und Salzkonzentration wurden jedoch unterschiedliche Ergebnisse erzielt, was darauf hindeutet, dass weitere Studien auf diesem Gebiet durchgeführt werden sollten. Darüber hinaus wird bei längerer Haltbarkeit und niedrigen Konzentrationen für Salz, Saatgut und Gülle nur der Entfernungsprozentsatz optimiert, was für Kosten-Nutzen-Bewertungen nicht geeignet ist.
Alle während dieser Studie generierten oder analysierten Daten sind in diesem veröffentlichten Artikel [und seinen ergänzenden Informationsdateien] enthalten.
Shokouhian, M. & Moradi, MJ Bioremediation von mit Dieselkraftstoff kontaminiertem Boden unter Verwendung von Kuhmist. J. Ferdowsi Civil Eng. 24(2), 14 (2014).
Google Scholar
Gallego, JL et al. Bioremediation dieselverseuchter Böden: Bewertung möglicher In-situ-Techniken durch Untersuchung des bakteriellen Abbaus. Biologischer Abbau 12(5), 325–335 (2001).
Artikel CAS PubMed Google Scholar
Bouchez Naïtali, M. et al. Vielfalt von Bakterienstämmen, die Hexadecan abbauen, in Abhängigkeit von der Art der Substrataufnahme. J. Appl. Mikrobiol. 86(3), 421–428 (1999).
Artikel PubMed Google Scholar
Östberg, TL et al. Die Auswirkungen von Kohlenstoffquellen und Mikronährstoffen in fermentierter Molke auf den biologischen Abbau von n-Hexadecan in mit Dieselkraftstoff kontaminierten Böden. Int. Biologischer Verfall. Biodegradation 60(4), 334–341 (2007).
Artikel Google Scholar
Nozari, M., Samaei, MR & Dehghani, M. Die Wirkung des Co-Metabolismus auf die Entfernung von Hexadecan durch ein mikrobielles Konsortium aus dem Boden in einem Batch-Reaktor mit Aufschlämmungssequenzierung. J. Gesundheitswissenschaften. Überwachung. Syst. 2(3), 113–124 (2014).
Google Scholar
Volke-Sepulveda, T., Gutiérrez-Rojas, M. & Favela-Torres, E. Biologischer Abbau von Hexadecan in flüssigen und festen Fermentationen durch Aspergillus niger. Biores. Technol. 87(1), 81–86 (2003).
Artikel CAS Google Scholar
Loehr, RC & Webster, MT Verringerte Freisetzung von PAK aus Böden als Folge der biologischen Sanierung vor Ort. Üben. Zeitraum. Verwaltung gefährlicher, giftiger, radioaktiver Abfälle. 4(3), 118–125 (2000).
Artikel CAS Google Scholar
Kiamarsi, Z., et al., Bewertung der biologischen Entfernung von Rohöl durch Vetivergras (Vetiveria zizanioides L.) in Interaktion mit einem Bakterienkonsortium, das kontaminierten künstlichen Böden ausgesetzt ist. Int. J. Phytoremed. P. 1–10 (2021).
Zghair, FS & Jebar, MS Biologische Entfernung von Blei durch einige aus dem Boden isolierte Pilze. Pflanzenbogen. 20, 6806–6808 (2020).
Google Scholar
Setti, L. et al. Weitere Untersuchungen zum aeroben Abbau von n-Alkanen in einem Schweröl durch eine Reinkultur eines Pseudomonas sp. Chemosphere 26(6), 1151–1157 (1993).
Artikel ADS CAS Google Scholar
Younus, RM, Aziz, EMT & Mohammed, DA Abbau von Kohlenwasserstoffsubstanzen durch einige Bakterienarten, die aus mit Motoröl kontaminierten Böden isoliert wurden. EurAsian J. BioSci. 14(1), 1087–1095 (2020).
CAS Google Scholar
Bidoia, E., Montagnolli, R. & Lopes, P. Mikrobielles biologisches Abbaupotenzial von Kohlenwasserstoffen, bewertet durch kolorimetrische Technik: eine Fallstudie. Appl. Mikrobiol. Biotechnologie. 7, 1277–1288 (2010).
Google Scholar
Robles-González, IV, Fava, F. & Poggi-Varaldo, HM Ein Überblick über Schlammbioreaktoren zur biologischen Sanierung von Böden und Sedimenten. Mikrob. Zellfakt. 7(1), 1–16 (2008).
Artikel Google Scholar
Fava, F., Di Gioia, D. & Marchetti, L. Rolle der Reaktorkonfiguration bei der biologischen Entgiftung eines mit Polychlorbiphenyl kontaminierten Bodens auf einer Deponie unter Schlammphasenbedingungen im Labormaßstab. Appl. Mikrobiol. Biotechnologie. 53(2), 243–248 (2000).
Artikel CAS PubMed Google Scholar
Wang, B. et al. Ein auf probabilistischer Hauptkomponentenanalyse basierender Ansatz zur Prozessüberwachung und Fehlerdiagnose mit Anwendung in Abwasseraufbereitungsanlagen. Appl. Soft Comput. 82, 105527 (2019).
Artikel Google Scholar
Cui, F. et al. Anwendung der Hauptkomponentenanalyse (PCA) zur Bewertung von Parameterkorrelationen im Teilnitrifikationsprozess unter Verwendung von aerobem Granulatschlamm. J. Umgebung. Verwalten. 288, 112408 (2021).
Artikel CAS PubMed Google Scholar
Beigzadeh, B. et al. Ein neuer Ansatz in der Adsorptionsmodellierung unter Verwendung der Random-Forest-Regression, der bayesschen multiplen linearen Regression und der multiplen linearen Regression: 2, 4-D-Adsorption durch ein grünes Adsorptionsmittel. Wasserwissenschaft. Technol. 82(8), 1586–1602 (2020).
Artikel CAS PubMed Google Scholar
Zhou, P. et al. Ein Zufallswaldmodell zur Zuflussvorhersage in Kläranlagen. Stoch. Env. Res. Risikobewertung. 33(10), 1781–1792 (2019).
Artikel Google Scholar
Mateo Pérez, V. et al. Ein Zufallswaldmodell zur Vorhersage des FOG-Gehalts im Zulaufabwasser aus städtischen Kläranlagen. Wasser 13(9), 1237 (2021).
Artikel Google Scholar
Sakiewicz, P. et al. Innovativer künstlicher neuronaler Netzwerkansatz für die Modellierung integrierter Biogas-Abwasseraufbereitungssysteme: Einfluss von Anlagenbetriebsparametern auf die Prozessintensivierung. Erneuern. Aufrechterhalten. Energy Rev. 124, 109784 (2020).
Artikel CAS Google Scholar
Bekkari, N. & Zeddouri, A. Verwendung eines künstlichen neuronalen Netzwerks zur Vorhersage und Steuerung des chemischen Sauerstoffbedarfs im Abwasser in Kläranlagen. Geschäftsführer Umgebung. Qual. Int. J. (2018).
Samadi-Maybodi, A. & Nikou, M. Entfernung von Sarafloxacin aus wässriger Lösung durch ein magnetisiertes metallorganisches Gerüst; Modellierung künstlicher neuronaler Netzwerke. Polyhedron 179, 114342 (2020).
Artikel CAS Google Scholar
Annadurai, G. & Lee, J.-F. Anwendung eines künstlichen neuronalen Netzwerkmodells zur Entwicklung eines optimierten komplexen Mediums für den Phenolabbau unter Verwendung von Pseudomonas pictorum (NICM 2074). Biologischer Abbau 18(3), 383–392 (2007).
Artikel CAS PubMed Google Scholar
Olawoyin, R. Anwendung des Backpropagation-Prognosemodells für künstliche neuronale Netze für die PAH-Bioremediation verschmutzter Böden. Chemosphere 161, 145–150 (2016).
Artikel ADS CAS PubMed Google Scholar
Kabuba, J., Die Verwendung eines neuronalen Netzwerks zur Modellierung von Abfallbelebtschlamm zur Verbesserung der Solubilisierung und biologischen Abbaubarkeit mithilfe des Ozonolyseverfahrens. Biochem. Ing. J. 84. (2014)
Ram Talib, NS, et al., Künstliche neuronale Netze (ANNs) und Response Surface Methodology (RSM)-Ansatz zur Modellierung der Optimierung der Chrom (VI)-Reduktion durch neu isolierten Acinetobacter radioresistens-Stamm NS-MIE aus landwirtschaftlichem Boden. BioMed Res. Int. (2019).
Sahoo, P. Tribologische Leistung stromloser Ni-P-Beschichtungen. In Materials and Surface Engineering 163–205 (Elsevier, 2012).
Kapitel Google Scholar
Mohamed, S. et al. Optimierungsverfahren für Spritzgussparameter für Vinyl-basierte Polymerverbundwerkstoffe. In Natural Fiber Reinforced Vinyl Ester and Vinyl Polymer Composites 97–108 (Elsevier, 2018).
Kapitel Google Scholar
Samaei, MR et al. Isolierung und kinetische Modellierung einer neuen Kultur aus Kompost mit hoher Fähigkeit zum Abbau von n-Hexadecan, konzentriert auf Ochrobactrum oryzae und Paenibacillus lautus. Bodensedim. Kontaminieren. Int. J. 29(4), 384–396 (2020).
Artikel CAS Google Scholar
Azizi, E. et al. Entfernung von 4-Chlorphenol durch einen Lufthebe-Festbett-Bioreaktor und seine Modellierung durch Kinetik und numerisches Modell (künstliches neuronales Netzwerk). Wissenschaft. Rep. 11(1), 1–10 (2021).
Artikel Google Scholar
Blagojev, N. et al. Modellierung und Effizienzbewertung der kontinuierlichen Biosorption von Cu (II) und Cr (VI) aus Wasser durch landwirtschaftliche Abfallstoffe. J. Umgebung. Verwalten. 281, 111876 (2021).
Artikel CAS PubMed Google Scholar
Shahzadi, I. et al. Kationische Tenside auf Argininbasis: Biologisch abbaubare Hilfsmittel zur Bildung hydrophober Ionenpaare mit hydrophilen makromolekularen Wirkstoffen. J. Colloid Interface Sci. 552, 287–294 (2019).
Artikel ADS CAS PubMed Google Scholar
Abbasi, F. et al. Die Toxizität von SiO2-NPs auf die Zellproliferation und Zellaufnahme der menschlichen Lungenfibroblastenzelllinie während der Variation der Kalzinierungstemperatur und deren Modellierung durch ein künstliches neuronales Netzwerk. J. Umgebung. Gesundheitswissenschaft. Ing. 19(1), 985–995 (2021).
Artikel CAS PubMed PubMed Central Google Scholar
Abbasi, F., A. Azhdarpoor und MR Samaei, Kinetische Modellierung der Entfernung von Methyl-tert-butylether (MTBE) durch aus kontaminierten Böden isolierte Bakterien. Int. J. Umgebung. Anal. Chem. 1–16 (2020).
Ostertagová, E. Modellierung mittels polynomialer Regression. Procedia Eng. 48, 500–506 (2012).
Artikel Google Scholar
Bao, H. et al. Auswirkungen von Maisstroh auf die Dissipation polyzyklischer aromatischer Kohlenwasserstoffe und mögliche Anwendung des Backpropagation-Vorhersagemodells für künstliche neuronale Netze für die biologische Sanierung von PAK. Ökotoxikol. Umgebung. Sicher. 186, 109745 (2019).
Artikel CAS PubMed Google Scholar
Barin, R. et al. Schnelle biologische Sanierung erdölverseuchter Böden durch ein Konsortium von Bakterien, die Biotenside/Bioemulgatoren produzieren. Int. J. Umgebung. Wissenschaft. Technol. 11(6), 1701–1710 (2014).
Artikel CAS Google Scholar
Kumar, KV & Porkodi, K. Modellierung der Fest-Flüssig-Adsorptionsprozesse mithilfe künstlicher neuronaler Netze, die durch Kinetik pseudo-zweiter Ordnung trainiert werden. Chem. Ing. J. 148(1), 20–25 (2009).
Artikel CAS Google Scholar
Khataee, A. et al. Neuronale Netzwerkmodellierung der Biobehandlung einer Triphenylmethan-Farbstofflösung durch eine grüne Makroalge. Chem. Ing. Res. Des. 89(2), 172–178 (2011).
Artikel CAS Google Scholar
Gosai, HB et al. Bioengineering für den Abbau mehrerer PAKs unter Verwendung prozessorientierter und datenzentrierter Ansätze. Chemom. Intel. Labor. Syst. 179, 99–108 (2018).
Artikel CAS Google Scholar
Referenzen herunterladen
Die Autoren möchten dem Forschungsvizekanzler der Shiraz University of Medical Sciences für die Unterstützung der Forschung danken (Vorschlag Nr.).
Abteilung für Umweltgesundheitstechnik, School of Health, Shiraz University of Medical Sciences, Shiraz, Iran
Roya Morovati, Fariba Abbasi und Mohammad Reza Samaei
Forschungszentrum für Gesundheitswissenschaften, Abteilung für Umweltgesundheitstechnik, Fakultät für Gesundheit, Medizinische Universität Shiraz, Shiraz, Iran
Mohammad Reza Samaei
Bachelor of Engineering (Honours) in Umweltingenieurwesen, School of Civil and Environmental Engineering, University of New South Wales, Sydney, NSW, Australien
Hamid Mehrazmay
Bachelor of Engineering (Honours) in Bauingenieurwesen, School of Civil and Environmental Engineering, University of Technology Sydney, Sydney, NSW, Australien
Aber Rasti Lari
Sie können diesen Autor auch in PubMed Google Scholar suchen
Sie können diesen Autor auch in PubMed Google Scholar suchen
Sie können diesen Autor auch in PubMed Google Scholar suchen
Sie können diesen Autor auch in PubMed Google Scholar suchen
Sie können diesen Autor auch in PubMed Google Scholar suchen
RM und MRS schreiben den ArtikelF.A. DatenanalyseH.M. und AL hat den Artikel bearbeitet.
Korrespondenz mit Mohammad Reza Samaei.
Die Autoren geben an, dass keine Interessenkonflikte bestehen.
Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.
Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.
Nachdrucke und Genehmigungen
Morovati, R., Abbasi, F., Samaei, MR et al. Modellierung der Bioremediation von n-Hexadecan aus dem Boden durch Schlammbioreaktoren unter Verwendung der Methode eines künstlichen neuronalen Netzwerks. Sci Rep 12, 19662 (2022). https://doi.org/10.1038/s41598-022-21996-6
Zitat herunterladen
Eingegangen: 29. Mai 2022
Angenommen: 07. Oktober 2022
Veröffentlicht: 16. November 2022
DOI: https://doi.org/10.1038/s41598-022-21996-6
Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:
Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.
Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt
Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.